CN107007285B - 基于压力与加速度传感器的跌倒检测方法 - Google Patents
基于压力与加速度传感器的跌倒检测方法 Download PDFInfo
- Publication number
- CN107007285B CN107007285B CN201710252332.2A CN201710252332A CN107007285B CN 107007285 B CN107007285 B CN 107007285B CN 201710252332 A CN201710252332 A CN 201710252332A CN 107007285 B CN107007285 B CN 107007285B
- Authority
- CN
- China
- Prior art keywords
- tumble
- pressure
- movement
- axis
- acceleration transducer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
- A61B5/1117—Fall detection
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0247—Pressure sensors
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明公开了一种基于压力与加速度传感器的跌倒检测方法,步骤如下:首先实时采集人体运动过程的足底压力传感器信号,当压力值信号小于设定压力阈值时认为一个动作开始,采集三轴加速度传感器信号;通过采集到的z轴加速度信号,计算z负轴方向的速度vSz‑,当计算出的速度vSz‑小于设定的速度阈值时,认为该动作为疑似跌倒动作;接着检测到准静止状态的出现或者超时发生后,提取三轴加速度传感器信号的三种特征,并使用训练好的支持向量机模型作出最终的跌倒的判断。本发明可以大大提高对跌倒动作识别的准确率;在实时性方面,本发明所提方式可以在跌倒动作结束后立即做出判断,实时性较强。
Description
技术领域
本发明涉及无人智能监测技术领域,具体涉及一种基于压力与加速度传感器的跌倒检测方法。
背景技术
在人体下肢动作识别的研究中,除了对人体正常的下肢行为进行识别之外,跌倒检测作为一种特殊的动作识别也成为研究者关注的热点。目前,随着世界人口走向老龄化,老年人摔倒的危害也正在逐步凸显。据医疗调查显示:跌倒导致的死亡已经成为我国人口死亡率的第四大因素,超过33%的社区老人和超过60%的养老院老人平均每年都会发生一次摔倒,如果老年人在跌倒之后不能得到及时的治疗,将可能会导致瘫痪甚至死亡等严重后果。随着我国社会的老龄化,2030年我国老龄人口将接近3亿人次,届时空巢老人比例可能达到90%。为了提高老人的健康生活,为这一群体提供更有保障的医疗看护,实现无人智能监测,跌倒检测的研究具有重要的现实意义。近年随着模式识别和人工智能技术的提升,如何精准及时的检测生活中的跌倒问题已经成为研究的热点之一。
发明内容
本发明的目的是为了解决现有技术中的上述缺陷,提供一种基于压力与加速度传感器的跌倒检测方法,该方法利用压力传感器与加速度传感器相结合进行跌到检测,可实现对跌倒动作准确实时的判断。
本发明的目的可以通过采取如下技术方案达到:
一种基于压力与加速度传感器的跌倒检测方法,所述跌倒检测方法包括:
S1、检测压力传感器采样值是否小于设定压力阈值λ,若小于则认为动作开始,进入步骤S2;
S2、计算z负轴方向的速度vSz-,进入步骤S3;
S3、检测压力是否大于设定压力阈值λ,若是,则该动作为非跌倒动作,回到步骤S1,否则进入步骤S4;
S4、计算速度vSz-是否小于速度阈值Vthr,若小于速度阈值Vthr,则认为存在跌倒动作的可能,进入步骤S5,否则回到步骤S2;
S5、缓存三轴加速度信号作为疑似跌倒序列;
S6、缓存过程中持续判断压力传感器采样值是否大于设定压力阈值λ,若是,则判定该动作为非跌倒动作,回到步骤S1,否则进入步骤S7;
S7、根据z轴加速度序列判断是否进入准静止状态或者缓存时间超过时间阈值T,若是,则进入步骤S8,否则继续缓存疑似跌倒序列;
S8、提取缓存的疑似跌倒序列的特征,包括:三轴加速度传感器信号用db4小波进行4层分解后第三层与第四层细节系数的小波能量、重力与z轴负方向的夹角θ、三轴加速度传感器信号的四分位差,进入步骤S9;
S9、使用训练好的模型进行分类判断,确定是否跌倒。
进一步地,所述z负轴方向的速度vSz-用于判定当前动作是否为疑似跌倒动作,取值为zS[n]序列小于0部分积分:
其中,序列zS[n]为下式:zS[n]=z[n]-9.8,所述z负轴方向的速度vSz-的物理意义为在z轴负方向上的速度大小,fs表示加速度值的采样频率。
进一步地,所述准静止状态定义为下式:
其表示z轴方向的长度为N加速度序列z[n]标准差小于γ。
进一步地,所述压力传感器与所述加速度传感器设置于鞋垫下方足跟位置,选取左右脚其中一只进行设置。
进一步地,所述压力阈值λ的取值为50,所述速度阈值Vthr的取值为-7m/s,所述时间阈值T的取值为3s。
进一步地,用于分类判断的模型为支持向量机模型,分类的正类为跌倒动作,负类为非跌倒动作。
进一步地,所述支持向量机模型采集若干个跌倒动作的样本和若干个非跌倒动作的样本用作支持向量机模型的训练,其中,所述非跌倒动作包括:躺下、坐下、翘小腿、蹲下、跪下、架腿、踢腿。
本发明相对于现有技术具有如下的优点及效果:
本发明公开的基于压力与加速度传感器的跌倒检测方法通过对压力值的大小区分每个动作的起始,并先判断每个动作是否为疑似跌倒动作,再对疑似跌倒动作提取特征作进一步跌倒判断,可以大大提高对跌倒动作识别的准确率;在实时性方面,本发明所提方式可以在跌倒动作结束后立即做出判断,实时性较强。
附图说明
图1是本发明方法中压力传感器以及加速度传感器放置示意图;
图2是加速度传感器坐标系示意图;
图3是本发明中公开的基于压力与加速度传感器的跌倒检测方法的跌倒检测流程图;
图4是支持向量机分类混淆矩阵。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例
首先是加速度传感器数据以及压力传感器的放置,图1是压力传感器与加速度传感器的放置示意图(右脚),其主要放置于鞋子里面,鞋垫下方足跟位置,左右脚均可,选取其中一只进行放置即可,本实施例选择将加速度传感器数据和压力传感器放置在右脚。图2为按照图1放置加速度传感器后其坐标系示意图,在鞋子水平放置时,正前方为y轴正轴,竖直方向向下为z轴方向,水平面正右方为x轴正轴,从加速度传感器中采集的加速度序列x轴记为x[n],y轴记为y[n],z轴记为z[n]。
本发明定义序列zS[n]为式(1):
zS[n]=z[n]-9.8 (1)
用式子(2)计算zS[n]序列小于0部分积分为vSz-:
其代表的物理意义为在z轴负方向上的速度大小,fs表示加速度值的采样频率,本实施例为60Hz。
本发明定义准静止状态为式(3):
其表示z轴方向的长度为N加速度序列z[n]标准差小于γ,在本发明实例中N=20和γ=0.5m/s2。
跌倒检测流程如图3所示,可分为如下步骤:
S1、检测压力传感器采样值是否小于设定压力阈值λ,若小于则认为动作(该动作可认为是疑似跌倒动作)开始,进入步骤S2;
S2、计算出z负轴方向的速度vSz-,进入步骤S3;
使用z负轴方向的速度vSz-判定当前动作是否为疑似跌倒动作,vSz-是通过z轴加速度值减去9.8m/s2后积分得到。
S3、检测压力是否大于设定压力阈值λ,若是,则该动作为正常动作(非跌倒动作),回到步骤S1;否则,进入步骤S4;
S4、计算速度vSz-是否小于速度阈值Vthr,若小于速度阈值Vthr,则认为存在跌倒的可能,进入步骤S5,否则回到步骤S2;
S5、缓存三轴加速度信号作为疑似跌倒序列,以便后续进一步判断;
S6、缓存过程中持续判断压力采样值是否大于设定压力阈值λ,若是,说明该动作正常,回到步骤S1;否则进入步骤S7;
S7、根据z轴加速度序列判断是否进入准静止状态或者缓存时间超过T,若是,则进入步骤S8,否则继续缓存疑似序列;设置超时时间T是为了防止检测不到准静止状态的特殊情况;
S8、提取缓存的疑似跌倒序列的三种特征:三轴加速度传感器信号用db4小波进行4层分解后第三层与第四层细节系数的小波能量,重力与z轴负方向的夹角θ,三轴加速度传感器信号的四分位差,进入步骤S9;
S9:使用训练好的模型进行分类判断,确定是否跌倒。
压力传感器信号的数值范围在0-255之间,其中0代表压力最小值,255代表压力最大值,一个60KG的成年人正常站立数值大约在230左右。在本发明实施例中,经过多次验证,压力采样值的阈值λ取50较为合适,速度阈值Vthr取-7m/s,时间阈值T定为3s较为合适。
其中,该跌倒检测方法通过准静止状态或者超时判断跌倒动作是否已经结束。准静止状态表示在z轴方向上一段时间内的加速度变化标准差小于设定阈值。
在本发明实例中,步骤S9中用于分类判断的模型为支持向量机模型,分类的正类为跌倒动作,负类为非跌倒动作。本发明实例中共模拟采集了80次跌倒动作的样本,360个非跌倒动作用作支持向量机模型的训练,其中非跌倒动作包括:躺下、坐下、翘小腿、蹲下、跪下、架腿、踢腿等速度vSz-可能会小于速度阈值Vthr的疑似跌倒动作。图4为本实例中通过1000次训练支持向量机模型获得的分类混淆矩阵,通过混淆矩阵可以发现,正类样本(跌倒)的分类精确率有94.25%,80次跌倒中平均漏报4.6次,而360个非跌倒动作误判为跌倒的平均次数只有0.11次,非跌倒动作分类精确率有99.97%,说明支持向量机模型达到了可以较高的分类精度。
在本发明实例中,跌倒检测时间表示从跌倒开始(压力传感器值采样值小于设定压力阈值λ)到检测到准静止状态的时间,通过统计,80次跌倒动作的跌倒检测时间平均为1.987s,说明检测的实时性较高,在应用于实际当中。
综上所述,本实施例中跌倒检测方法首先实时采集人体足底运动过程的压力传感器信号,当压力值信号小于设定压力阈值时认为一个动作开始,采集三轴加速度传感器信号;通过采集到的z轴加速度信号,计算z负轴方向的速度vSz-,当计算出的速度vSz-小于设定的速度阈值时,认为该动作为疑似跌倒动作;接着检测到准静止状态的出现或者超时发生后,提取三轴加速度传感器信号的三种特征,并使用训练好的支持向量机模型作出最终的跌倒的判断。在上述步骤执行过程中如果出现压力值信号大于设定压力阈值的情况则视该动作为正常动作且已经结束,终止后续步骤的执行,并将当前积分清0。
本实施例中压力传感器与加速度传感器放置于鞋垫下面足跟的位置,通过压力值大小判定动作的开始与结束。
实验结果表明本发明基于压力与加速度传感器的跌倒检测方法与现有的跌倒检测方式相比,可以大大提高对跌倒动作识别的准确率;在实时性方面,本发明所提方式可以在跌倒动作结束后立即做出判断,实时性较强。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于压力与加速度传感器的跌倒检测方法,其特征在于,所述跌倒检测方法包括:
S1、检测压力传感器采样值是否小于设定压力阈值λ,若小于则认为动作开始,进入步骤S2;
S2、计算z负轴方向的速度vSz-,进入步骤S3;
S3、检测压力是否大于设定压力阈值λ,若是,则该动作为非跌倒动作,回到步骤S1,否则进入步骤S4;
S4、计算速度vSz-是否小于速度阈值Vthr,若小于速度阈值Vthr,则认为存在跌倒动作的可能,进入步骤S5,否则回到步骤S2;
S5、缓存三轴加速度信号作为疑似跌倒序列;
S6、缓存过程中持续判断压力传感器采样值是否大于设定压力阈值λ,若是,则判定该动作为非跌倒动作,回到步骤S1,否则进入步骤S7;
S7、根据z轴加速度序列判断是否进入准静止状态或者缓存时间超过时间阈值T,若是,则进入步骤S8,否则继续缓存疑似跌倒序列;
S8、提取缓存的疑似跌倒序列的特征,包括:三轴加速度传感器信号用db4小波进行4层分解后第三层与第四层细节系数的小波能量、重力与z轴负方向的夹角θ、三轴加速度传感器信号的四分位差,进入步骤S9;
S9、使用训练好的模型进行分类判断,确定是否跌倒。
2.根据权利要求1所述的基于压力与加速度传感器的跌倒检测方法,其特征在于,所述z负轴方向的速度vSz-用于判定当前动作是否为疑似跌倒动作,取值为zS[n]序列小于0部分积分:
其中,序列zS[n]为下式:zS[n]=z[n]-9.8,从加速度传感器中采集的加速度序列的z轴记为z[n],所述z负轴方向的速度vSz-的物理意义为在z轴负方向上的速度大小,fs表示加速度值的采样频率。
3.根据权利要求1所述的基于压力与加速度传感器的跌倒检测方法,其特征在于,所述准静止状态定义为下式:
其表示z轴方向的长度为N加速度序列z[n]标准差小于γ。
4.根据权利要求1所述的基于压力与加速度传感器的跌倒检测方法,其特征在于,
所述压力传感器与所述加速度传感器设置于鞋垫下方足跟位置,选取左右脚其中一只进行设置。
5.根据权利要求1所述的基于压力与加速度传感器的跌倒检测方法,其特征在于,
所述压力阈值λ的取值为50,所述速度阈值Vthr的取值为-7m/s,所述时间阈值T的取值为3s。
6.根据权利要求1所述的基于压力与加速度传感器的跌倒检测方法,其特征在于,
用于分类判断的模型为支持向量机模型,分类的正类为跌倒动作,负类为非跌倒动作。
7.根据权利要求6所述的基于压力与加速度传感器的跌倒检测方法,其特征在于,
所述支持向量机模型采集若干个跌倒动作的样本和若干个非跌倒动作的样本用作支持向量机模型的训练,其中,所述非跌倒动作包括:躺下、坐下、翘小腿、蹲下、跪下、架腿、踢腿。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710252332.2A CN107007285B (zh) | 2017-04-18 | 2017-04-18 | 基于压力与加速度传感器的跌倒检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710252332.2A CN107007285B (zh) | 2017-04-18 | 2017-04-18 | 基于压力与加速度传感器的跌倒检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107007285A CN107007285A (zh) | 2017-08-04 |
CN107007285B true CN107007285B (zh) | 2019-10-18 |
Family
ID=59448301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710252332.2A Expired - Fee Related CN107007285B (zh) | 2017-04-18 | 2017-04-18 | 基于压力与加速度传感器的跌倒检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107007285B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245924B (zh) * | 2019-07-08 | 2020-12-04 | 南京青铜建服科技有限公司 | 一种有效工时的确定方法 |
CN113057627B (zh) * | 2021-03-18 | 2022-04-26 | 华南理工大学 | 基于弱足cop特征的步态特征提取方法及跌倒风险判别系统 |
CN115024717B (zh) * | 2022-08-09 | 2022-10-25 | 广东百年医疗健康科技发展有限公司 | 一种跌倒检测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950464A (zh) * | 2010-09-17 | 2011-01-19 | 中国科学院深圳先进技术研究院 | 跌倒监测与报警的方法和系统 |
CN103021129A (zh) * | 2012-12-04 | 2013-04-03 | 东南大学 | 一种老年人跌倒监测系统及其方法 |
CN103405001A (zh) * | 2013-08-30 | 2013-11-27 | 广东乐源数字技术有限公司 | 一种蓝牙跌倒报警鞋垫 |
CN104224182A (zh) * | 2014-03-31 | 2014-12-24 | 桂林电子科技大学 | 一种监测人体跌倒的方法及装置 |
US9402568B2 (en) * | 2011-08-29 | 2016-08-02 | Verizon Telematics Inc. | Method and system for detecting a fall based on comparing data to criteria derived from multiple fall data sets |
CN106373338A (zh) * | 2016-09-30 | 2017-02-01 | 福建工程学院 | 一种摔倒监测方法及系统 |
-
2017
- 2017-04-18 CN CN201710252332.2A patent/CN107007285B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950464A (zh) * | 2010-09-17 | 2011-01-19 | 中国科学院深圳先进技术研究院 | 跌倒监测与报警的方法和系统 |
US9402568B2 (en) * | 2011-08-29 | 2016-08-02 | Verizon Telematics Inc. | Method and system for detecting a fall based on comparing data to criteria derived from multiple fall data sets |
CN103021129A (zh) * | 2012-12-04 | 2013-04-03 | 东南大学 | 一种老年人跌倒监测系统及其方法 |
CN103405001A (zh) * | 2013-08-30 | 2013-11-27 | 广东乐源数字技术有限公司 | 一种蓝牙跌倒报警鞋垫 |
CN104224182A (zh) * | 2014-03-31 | 2014-12-24 | 桂林电子科技大学 | 一种监测人体跌倒的方法及装置 |
CN106373338A (zh) * | 2016-09-30 | 2017-02-01 | 福建工程学院 | 一种摔倒监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107007285A (zh) | 2017-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110916679B (zh) | 一种人体下肢位姿步态检测装置及方法 | |
CN104361321B (zh) | 一种判断老年人摔倒行为及身体平衡能力的方法 | |
CN109726672B (zh) | 一种基于人体骨架序列和卷积神经网络的摔倒检测方法 | |
CN107007285B (zh) | 基于压力与加速度传感器的跌倒检测方法 | |
CN109166275B (zh) | 一种基于加速度传感器的人体跌倒检测方法 | |
CN103927851B (zh) | 一种个人化多阈值跌倒检测方法及系统 | |
CN106667493A (zh) | 人体平衡性评估系统及评估方法 | |
CN108814617A (zh) | 冻结步态识别方法和装置及步态检测仪 | |
CN102302370A (zh) | 一种跌倒检测方法和装置 | |
CN104983489B (zh) | 下肢假肢行走时的路况识别方法 | |
CN107890166A (zh) | 一种基于足底压力姿态识别的智能鞋垫 | |
CN106875630B (zh) | 一种基于层次分类的可穿戴跌倒检测方法及系统 | |
CN106407996A (zh) | 一种基于机器学习的老人跌倒检测方法及其检测系统 | |
EP3459453B1 (en) | Information processing device, information processing method, and information processing program | |
US20210059569A1 (en) | Fall risk evaluation method, fall risk evaluation device, and non-transitory computer-readable recording medium in which fall risk evaluation program is recorded | |
CN109389041A (zh) | 一种基于关节点特征的跌倒检测方法 | |
KR20180058999A (ko) | 보행 분석 시스템, 방법 및 컴퓨터 판독 가능한 기록매체 | |
KR102280291B1 (ko) | 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치 및 방법 | |
CN109567812A (zh) | 基于智能鞋垫的步态分析系统 | |
CN107019501B (zh) | 基于遗传算法和概率神经网络的远程摔倒检测方法及系统 | |
CN113331829B (zh) | 一种足底信息监测方法及智能鞋垫装置 | |
CN114469074A (zh) | 一种跌倒预警方法、系统、设备及计算机存储介质 | |
US20240057946A1 (en) | Sarcopenia evaluation method, sarcopenia evaluation device, and non-transitory computer-readable recording medium in which sarcopenia evaluation program is recorded | |
CN104331705B (zh) | 融合时空信息的步态周期自动检测方法 | |
CN111626273B (zh) | 基于原子性动作时序特性的摔倒行为识别系统及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191018 Termination date: 20200418 |
|
CF01 | Termination of patent right due to non-payment of annual fee |